11-bayesiana-calibracion.Rmd

# Calibración bayesiana y regularización

```{r setup, include=FALSE, message=FALSE}
library(tidyverse)
library(patchwork)
knitr::opts_chunk$set(echo = TRUE, message = FALSE, warning=FALSE, fig.align = 'center', fig.width = 6, fig.height=3)
comma <- function(x) format(x, digits = 2, big.mark = ",")
theme_set(theme_minimal())
```

El enfoque bayesiano se puede formalizar coherentemente en términos
de probabilidades subjetivas, y como vimos, esta es una fortaleza.

En la práctica, sin embargo, muchas veces puede ser difícil argumentar en
términos exclusivos de probabilidad subjetiva, aunque hagamos los esfuerzos
apropiados para incorporar la totalidad de información que distintos actores
involucrados pueden tener.

Consideremos, por ejemplo, que INEGI produjera un intervalo creíble del 95% para
el ingreso mediano de los hogares de México. Aún cuando nuestra metodología sea
transparente y correctamente informada, algunos investigadores interesados puede
ser que tengan recelo en usar esta información, y quizá preferirían hacer
estimaciones propias. Esto restaría valor al trabajo cuidadoso que pusimos en
nuestras estimaciones oficiales.

Por otra parte, el enfoque frecuentista provee de ciertas garantías mínimas para
la utilización de las estimaciones, que no dependen de la interpretación
subjetiva de la probabilidad, sino de las propiedades del muestreo. Consideremos
la cobertura de los intervalos de confianza:

- Bajo ciertos supuestos de nuestros modelos, la probabilidad de que
un intervalo de confianza del 95% cubra al verdadero valor poblacional es del 95%. Esta
probabilidad es sobre las distintas muestras que se pueden obtener según el
diseño del muestreo.

Los intervalos creíbles en principio no tienen por qué cumplir esta propiedad, pero
consideramos que en la práctica es una garantía mínima que deberían cumplir.

El enfoque resultante se llama **bayesiano calibrado**, @little2011 . La idea
es seguir el enfoque bayesiano usual para construir nuestras estimaciones,
pero verificar hasta donde sea posible que los intervalos resultantes satisfacen
alguna garantía frecuentista básica.

**Observación.** Checar que la cobertura real es similar a la nominal es
importante en los dos enfoques: frecuentista y bayesiano. Los intervalos
frecuentistas, como hemos visto, generalmente son aproximados, y por lo tanto no
cumplen automáticamente esta propiedad de calibración.

## Enfoque bayesiano y frecuentista {-}

Los métodos estadísticos clásicos toman el punto de vista **frecuentista** y se
basa en los siguientes puntos [@Wasserman]:

1. La probabilidad se interpreta como un límite de frecuencias relativas, donde
las probabilidades son propiedades objetivas en el mundo real.

2. En un modelo, los parámetros son constantes fijas (desconocidas). Como
consecuencia, no se pueden realizar afirmaciones probabilísticas útiles en
relación a éstos.

3. Los procedimientos estadísticos deben diseñarse con el objetivo de tener
propiedades frecuentistas bien definidas. Por ejemplo, un intervalo de confianza
del $95\%$ debe contener el verdadero valor del parámetro con frecuencia límite
de al menos el $95\%$.

En contraste, el acercamiento **Bayesiano** muchas veces se describe por los
siguientes postulados:

1. La probabilidad describe grados de creencia, no frecuencias limite. Como
tal uno puede hacer afirmaciones probabilísticas acerca de muchas cosas y no
solo datos sujetos a variabilidad aleatoria. Por ejemplo, puedo decir: "La
probabilidad de que Einstein tomara una taza de té el primero de agosto de $1948$"
es $0.35$, esto no hace referencia a ninguna frecuencia relativa sino que refleja
la certeza que yo tengo de que la proposición sea verdadera.

2. Podemos hacer afirmaciones probabilísticas de parámetros.

3. Podemos hacer inferencia de un parámetro $\theta$ por medio de
distribuciones de probabilidad. Las inferencias como estimaciones puntuales y
estimaciones de intervalos se pueden extraer de dicha distribución.

Finalmente, en el enfoque **bayesiano calibrado** []@little2011]:

1. Usamos el enfoque bayesiano para modelar y hacer afirmaciones probabilísticas
de los parámetros.
2. Buscamos cumplir las garantías frecuentistas del inciso 3).

## Ejemplo: estimación de una proporción {-}

Recordamos nuestro problema de estimación de una proporcion $\theta$. Usando
la distribución inicial $p(\theta)\sim \mathsf{Beta}(2,2)$, y la verosimilitud estándar
binomial, vimos que la posterior cuando observamos $k$
éxitos es  $$p(\theta|k) \sim \mathsf{Beta}(k + 2, n - k + 2)\,.$$

La media posterior es
$$\frac{k + 2}{n + 4}\,,$$
que podemos interpretar como: agrega 2 éxitos y 2 fracasos a los datos observados
y calcula la proporción de éxitos. Un intervalo posterior de credibilidad del 95% se calcula
encontrando los cuantiles 0.025 y 0.975 de una $\mathsf{Beta}(k + 2, n - k + 2),$

$$I_a = \left [q_{0.025}(k+2, n+4), q_{0.975}(k+2, n+4)\right ]\,.$$
Este intervalo lo compararemos con el usual de Wald: si $\hat{\theta} = \frac{k}{n}$, entonces

$$I_w = \left [\hat{\theta} - 2 \sqrt{\frac{\hat{\theta}(1-\hat{\theta})}{n}}, \hat{\theta} + 2 \sqrt{\frac{\hat{\theta}(1-\hat{\theta})}{n}}\right]\,.$$
¿Cómo podemos comparar la calibración de estos dos intervalos? Nominalmente, deben
tener cobertura de 95%. Hagamos un ejercicio de simulación para distintos
tamaños de muestra $n$ y posibles valores $\theta\in (0,1)$:

```{r}
set.seed(332)
simular_muestras <- function(M, n, p){
  k = rbinom(M, n, p)
  tibble(rep = 1:M, n = n, p = p, k = k)
}
intervalo_wald <- function(n, k){
  p_hat <- k / n
  ee_hat <- sqrt(p_hat * (1 - p_hat) / n)
  tibble(inf = p_hat - 2 * ee_hat, sup = p_hat + 2 * ee_hat)
}
intervalo_bayes <- function(n, k, a = 2, b = 2){
  a <- k + a
  b <- n - k + b
  tibble(inf = qbeta(0.025, a, b), sup = qbeta(0.975, a, b))
}
set.seed(812)
ejemplo <- simular_muestras(5, 20, 0.4)
```

```{r}
ejemplo %>% mutate(intervalo = intervalo_wald(n, k)) %>% pull(intervalo) %>%
  bind_cols(ejemplo) %>% select(-rep)
```

```{r}
ejemplo %>% mutate(intervalo = intervalo_bayes(n, k)) %>% pull(intervalo) %>%
  bind_cols(ejemplo) %>% select(-rep)
```

¿Cuáles de estos intervalos cubren al verdadero valor? Nótese que **no podemos
descalificar a ningún método por no cubrir una vez**. Es fácil producir un intervalo
con 100% de cobertura: (0,1). Pero no nos informa dónde es probable que esté
el parámetro.

Sin embargo, podemos checar la cobertura frecuentista haciendo una cantidad grande de simulaciones:

```{r}
parametros <- crossing(n = c(5, 10, 30, 60, 100, 400),
                       p = c(0.01, 0.015, 0.02, 0.025, 0.03,
                             0.035, 0.04, 0.05, 0.07, 0.1, 0.15))
set.seed(2343)
# simulaciones
simulaciones <- parametros %>%
  mutate(muestra = map2(n, p, ~ simular_muestras(50000, .x, .y) %>% select(rep, k))) %>%
  unnest(muestra)
# calcular_cobertura
calcular_cobertura <- function(simulaciones, construir_intervalo){
  # nombre de función
  intervalo_nombre <- substitute(construir_intervalo) %>% as.character()
  cobertura_tbl <- simulaciones %>%
    mutate(intervalo  = construir_intervalo(n, k)) %>%
    pull(intervalo) %>%
    bind_cols(simulaciones) %>%
    mutate(cubre = p >= inf & p <= sup) %>%
    group_by(n, p) %>%
    summarise(cobertura = mean(cubre), long_media = mean(sup - inf))
  cobertura_tbl %>% mutate(tipo = intervalo_nombre)
}
```

```{r}
cobertura_wald <- calcular_cobertura(simulaciones, intervalo_wald)
cobertura_wald
```


```{r, out.width = "99%"}
graficar_cobertura <- function(cobertura_tbl){
  ggplot(cobertura_tbl, aes(x = p, y = cobertura, colour = tipo)) +
  geom_hline(yintercept = 0.95, colour = "black") +
  geom_line() + geom_point() +
  facet_wrap(~n) +
  ylim(0, 1)
}
cobertura_wald %>%
  graficar_cobertura()
```

La cobertura real es mucho más baja que la nominal en muchos casos, especialmente
cuando la $p$ es baja y $n$ es chica. Pero incluso para muestras relativamente grandes (100),
la cobertura es mala si $p$ es chica.

Ahora probamos nuestro método alternativo:

```{r}
cobertura_bayes <- calcular_cobertura(simulaciones, intervalo_bayes)
```


```{r, out.width = "99%"}
bind_rows(cobertura_wald, cobertura_bayes) %>%
  mutate(tipo = factor(tipo, levels = c('intervalo_wald', 'intervalo_bayes'))) %>%
  graficar_cobertura()
```

Y vemos que en general el intervalo de Bayes es superior al de Wald, en sentido
de que su cobertura real es más cercana a la nominal. El caso donde fallan los dos
es para muestras muy chicas $n=5, 10$, con probabilidades de éxito chicas $p\leq 0.02$.

- Sin embargo, si tenemos información previa acerca del tamaño de la proporción que estamos
estimando, es posible obtener buena calibración con el método bayesiano.

En este caso particular, **tenemos argumentos frecuentistas**
para utilizar el método bayesiano. Por ejemplo, si el INEGI utilizara estos
intervalos creíbles, un análisis de calibración de este tipo sostendría esa decisión.

## Intervalos de Agresti-Coull {-}

Un método intermedio que se usa para obtener mejores intervalos cuando
estimamos proporciones es el siguiente:

- Agregar dos 1's y dos 0's a los datos.
- Utilizar el método de Wald con estos datos modificados.

```{r}
intervalo_agresti_coull <- function(n, k){
  p_hat <- (k + 2)/ (n + 4)
  ee_hat <- sqrt(p_hat * (1 - p_hat) / n)
  tibble(inf = p_hat - 2 * ee_hat, sup = p_hat + 2 * ee_hat)
}
cobertura_ac <- calcular_cobertura(simulaciones, intervalo_agresti_coull)
```

```{r, out.width = "99%"}
bind_rows(cobertura_wald, cobertura_bayes, cobertura_ac) %>%
  mutate(tipo = factor(tipo, levels = c('intervalo_wald', 'intervalo_bayes',
                                        'intervalo_agresti_coull'))) %>%
  graficar_cobertura()
```

Que tiende a ser demasiado conservador para proporciones chicas:

```{r, out.width = "99%"}
graficar_cobertura(cobertura_ac) +
  ylim(c(0.9, 1))
```

**Conclusión 1**: Los intervalos de Agresti-Coull son una buena alternativa para
estimar proporciones como sustituto de los intervalos clásicos de Wald, aunque
tienden a ser muy conservadores para muestras chicas.

Idealmente podemos utilizar un método bayesiano pues normalmente tenemos
información inicial acerca de las proporciones que queremos estimar.

## Incorporando información inicial {-}

Nótese que generalmente tenemos información acerca de la cantidad que queremos
estimar: por ejemplo, que proporción de visitantes de un sitio web compra algo
(usualmente muy baja, menos de $2\%$), qué proporción de personas tiene diabetes
tipo 1 (una proporción muy baja, menos de 1 por millar), o qué proporción de
hogares tienen ingresos trimestrales mayores a 150 mil pesos (menos de $5\%$ con
alta probabilidad).

En este caso, tenemos que ajustar nuestra inicial. Por ejemplo, para el problema
de ingresos, podríamos usar una $\mathsf{Beta}(2, 100)$, cuyos cuantiles son:

```{r}
# uno de cada 100
a <- 2
b <- 100
beta_sims <- rbeta(5000, a, b)
quantile(beta_sims, c(0.01, 0.05, 0.50, 0.90, 0.99)) %>% round(3)
```

```{r, out.width = "99%", fig.height = 2}
qplot(beta_sims)
```

Veamos cómo se ven los intervalos bayesianos producidos con esta inicial:

```{r}
crear_intervalo_bayes <- function(a, b){

  intervalo_fun <- function(n, k){
    a_post <- k + a
    b_post <- n - k + b
    tibble(inf = qbeta(0.025, a_post, b_post), sup = qbeta(0.975, a_post, b_post))
  }
  intervalo_fun
}
intervalo_bayes_2 <- crear_intervalo_bayes(a, b)
```


```{r, cache = TRUE}
cobertura_bayes <- calcular_cobertura(simulaciones,
                                      intervalo_bayes_2)
```


```{r, out.width = "95%", fig.height = 3}
graficar_cobertura(bind_rows(cobertura_bayes, cobertura_ac) %>% filter(p < 0.05)) +
  ylim(c(0.5, 1))
```

Y vemos que la calibración es similar. Notemos sin embargo que
la longitud del intervalo bayesiano es **mucho menor** que el de
Agresti-Coull cuando la muestra es chica:

```{r, out.width = "99%"}
ggplot(bind_rows(cobertura_bayes, cobertura_ac),
       aes(x = p, y = long_media, colour = tipo)) +
  geom_point() + facet_wrap(~n)
```

Cuando la muestra es chica, los intervalos bayesianos son similares a los
iniciales, y mucho más cortos que los de Agresti-Coull. Para muestras
intermedias (50-100) los intervalos bayesianos son más informativos que los de
Agresti-Coull, con calibración similar, y representan aprendizaje por encima de
lo que sabíamos en la inicial. Para muestras grandes, obtenemos resultados
simililares.

Por ejemplo:

```{r}
set.seed(2131)
k <- rbinom(1, 50, 0.03)
k
intervalo_agresti_coull(50, k) %>% round(3)
```
es un intervalo muy grande que puede incluir valores negativos. En contraste, el
intervalo bayesiano es:

```{r}
intervalo_bayes_2(50, k) %>% round(3)
```
Aún quitando valores negativos, los intervalos de Agresti-Coull son mucho más anchos.
La aproximación bayesiana, entonces, utiliza información previa
para dar un resultado considerablemente
más informativo, con calibración similar a Agresti-Coull.

¿Aprendimos algo? Comparemos la posterior con la inicial:

```{r, out.width = "99%", fig.height=2}
beta_sims_inicial <- tibble(prop = rbeta(5000, a, b), dist = "inicial")
beta_sims_posterior <- tibble(prop = rbeta(5000, a + k, b + 50), dist = "posterior")
bind_rows(beta_sims_inicial, beta_sims_posterior) %>%
  ggplot(aes(x = prop, fill = dist)) +
    geom_histogram(alpha = 0.5, position = "identity")
```

Donde vemos que no aprendimos mucho en este caso, pero nuestras creencias
sí cambiaron en comparación con la inicial.

**Conclusión 2**: con el enfoque bayesiano podemos obtener intervalos
informativos con calibración razonable, incluso con información inicial que
no es muy precisa. Los intervalos de Agresti-Coull son poco informativos
para muestras chicas y/o proporciones chicas.


### Ejemplo: porporción de hogares de ingresos grandes {-}

Usaremos los datos de ENIGH como ejemplo (ignorando el diseño, pero es posible
hacer todas las estimaciones correctamente) para estimar el porcentaje de
hogares que tienen ingreso corriente de más de 150 mil pesos al trimestre.
Suponemos que la muestra del ENIGH es la población, y tomaremos una muestra iid
de esta población. Usamos la misma inicial que mostramos arriba, que es una Beta
con parámetros

```{r}
c(a,b)
```

```{r}
set.seed(2521)
muestra_enigh <- read_csv("data/conjunto_de_datos_enigh_2018_ns_csv/conjunto_de_datos_concentradohogar_enigh_2018_ns/conjunto_de_datos/conjunto_de_datos_concentradohogar_enigh_2018_ns.csv") %>%
  select(ing_cor) %>%
  sample_n(120) %>%
  mutate(mas_150mil = ing_cor > 150000)
```

Un intervalo de 95% es entonces

```{r}
k <- sum(muestra_enigh$mas_150mil)
k
intervalo_bayes_2(120, sum(muestra_enigh$mas_150mil)) %>% round(3)
```

La media posterior es

```{r}
prop_post <- (a + k) / (120 + b)
prop_post
```

El estimador de máxima verosimilitud es

```{r}
k / 120
```

¿Cuál es la verdadera proporción?

```{r}
read_csv("data/conjunto_de_datos_enigh_2018_ns_csv/conjunto_de_datos_concentradohogar_enigh_2018_ns/conjunto_de_datos/conjunto_de_datos_concentradohogar_enigh_2018_ns.csv") %>%
  select(ing_cor) %>%
  mutate(mas_150mil = ing_cor > 150000) %>%
  summarise(prop_pob = mean(mas_150mil))
```
En este caso, nuestro intervalo cubre a la proporción poblacional.

## Inferencia bayesiana y regularización {-}

Como hemos visto en análisis y modelos anteriores, la posterior que usamos
para hacer inferencia combina aspectos de la inicial con la verosimilitud (los datos).
Una manera de ver esta combinación y sus beneficios es pensando en término de
*regularización* de estimaciones.

- En las muestras hay variación. Algunas muestras particulares nos dan estimaciones
de máxima verosimilitud pobres de los parámetros de interés (estimaciones ruidosas).
- Cuando esas estimaciones pobres están en una zona de baja probabilidad de la
inicial, la estimación posterior tiende a moverse (o *encogerse*) hacia las
zonas de alta probabilidad de la inicial.
- Esto *filtra* ruido en las estimaciones.
- El mecanismo resulta en una reducción del **error cuadrático medio**, mediante
una reducción de la varianza de los estimadores (aunque quizá el sesgo aumente).

Esta es una técnica poderosa, especialmente para problemas complejos donde tenemos
pocos datos para cada parámetro. En general, excluímos resultados que no concuerdan
con el conocimiento previo, y esto resulta en **mayor precisión** en las estimaciones.

## Ejemplo: modelo normal y estaturas {-}

Haremos un experimento donde simularemos muestras de los datos de cantantes. Usaremos el
modelo normal-gamma inverso que discutimos anteriormente, con la información inicial
que elicitamos. ¿Cómo se compara la estimación de máxima verosimilitud con la media
posterior?

```{r}
# inicial para media, ver sección anterior para discusión (normal)
mu_0 <- 175
n_0 <- 5
# inicial para sigma^2 (gamma inversa)
a <- 3
b <- 140
```

Para este ejemplo chico, usaremos muestras de tamaño 5:

```{r}
set.seed(3413)
# ver sección anterior para explicación de esta función
calcular_pars_posterior <- function(x, pars_inicial){
  # iniciales
  mu_0 <- pars_inicial[1]
  n_0 <- pars_inicial[2]
  a_0 <- pars_inicial[3]
  b_0 <- pars_inicial[4]
  # muestra
  n <- length(x)
  media <- mean(x)
  S2 <- sum((x - media)^2)
  # sigma post
  a_1 <- a_0 + 0.5 * n
  b_1 <- b_0 + 0.5 * S2 + 0.5 * (n * n_0) / (n + n_0) * (media - mu_0)^2
  # posterior mu
  mu_1 <- (n_0 * mu_0 + n * media) / (n + n_0)
  n_1 <- n + n_0
  c(mu_1, n_1, a_1, b_1)
}
```

Y también de la sección anterior:

```{r}
sim_params <- function(m, pars){
  mu_0 <- pars[1]
  n_0 <- pars[2]
  a <- pars[3]
  b <- pars[4]
  # simular sigmas
  sims <- tibble(tau = rgamma(m, a, b)) %>%
    mutate(sigma = 1 / sqrt(tau))
  # simular mu
  sims <- sims %>% mutate(mu = rnorm(m, mu_0, sigma / sqrt(n_0)))
  sims
}
```


```{r}
# simular muestras y calcular medias posteriores
simular_muestra <- function(rep, mu_0, n_0, a_0, b_0){
  cantantes <- lattice::singer %>%
    mutate(estatura_cm = 2.54 * height) %>%
    filter(str_detect(voice.part, "Tenor")) %>%
    sample_n(5, replace = FALSE)
  pars_posterior <- calcular_pars_posterior(cantantes$estatura_cm,
                                            c(mu_0, n_0, a_0, b_0))
  medias_post <-
    sim_params(1000, pars_posterior) %>%
    summarise(across(everything(), mean)) %>%
    select(mu, sigma)
  media <- mean(cantantes$estatura_cm)
  est_mv <- c("mu" = media,
              "sigma" = sqrt(mean((cantantes$estatura_cm - media)^2)))
  bind_rows(medias_post, est_mv) %>%
    mutate(rep = rep, tipo = c("media_post", "max_verosim")) %>%
    pivot_longer(mu:sigma, names_to = "parametro", values_to = "estimador")
}
```


```{r}
poblacion <- lattice::singer %>%
  mutate(estatura_cm = 2.54 * height) %>%
  filter(str_detect(voice.part, "Tenor")) %>%
  summarise(mu = mean(estatura_cm), sigma = sd(estatura_cm)) %>%
  pivot_longer(mu:sigma, names_to = "parametro", values_to = "valor_pob")
```

```{r, cache = TRUE,  fig.height=2}
errores <- map(1:2000, ~ simular_muestra(.x, mu_0, n_0, a, b)) %>%
  bind_rows() %>% left_join(poblacion) %>%
  mutate(error = (estimador - valor_pob))
ggplot(errores, aes(x = error, fill = tipo)) +
  geom_histogram(bins = 20, position = "identity", alpha = 0.5) +
  facet_wrap(~parametro)
```
Vemos claramente que la estimación de la desviación estándar de
nuestro modelo es claramente superior a la de máxima verosimilitud. En resumen:
```{r}
errores %>%
  group_by(tipo, parametro) %>%
  summarise(recm = sqrt(mean(error^2)) %>% round(2)) %>%
  arrange(parametro)
```

Obtenemos una ganancia considerable en cuanto a la estimación de la desviación
estandar de esta población. Los estimadores de la media superior
son superiores a los de máxima verosimilitud en términos de error cuadrático medio.

Podemos graficar las dos estimaciones, muestra a muestra, para entender
cómo sucede esto:

```{r}
errores %>%
  select(-error) %>%
  pivot_wider(names_from = tipo, values_from = estimador) %>%
  filter(parametro == "sigma") %>%
ggplot(aes(x = max_verosim, y = media_post)) +
  geom_abline(colour = "red") +
  geom_hline(yintercept = sqrt(b/(a - 1)), lty = 2, color = 'black') +
  geom_point() +
  labs(subtitle = "Estimación de sigma") +
  xlab("Estimador MV de sigma") +
  ylab("Media posterior de sigma") +
  coord_fixed() +
  geom_segment(aes(x = 13, y = 11, xend = 13, yend = sqrt(b/(a - 1))),
               colour='red', size=1, arrow =arrow(length = unit(0.5, "cm"))) +
  geom_segment(aes(x = .5, y = 6, xend = .5, yend = sqrt(b/(a - 1))),
               colour='red', size=1, arrow =arrow(length = unit(0.5, "cm")))
```

Nótese como estimaciones demasiado bajas o demasiada altas son contraídas
hacia valores más consistentes con la inicial, lo cual resulta en
menor error. El valor esperado de $\sigma$ bajo la distribución inicial
se muestra como una horizontal punteada.

## Ejemplo: estimación de proporciones {-}

Ahora repetimos el ejercicio

```{r}
# inicial
a <- 2
b <- 100
qbeta(c(0.01, 0.99), a, b)

# datos
datos <- read_csv("data/conjunto_de_datos_enigh_2018_ns_csv/conjunto_de_datos_concentradohogar_enigh_2018_ns/conjunto_de_datos/conjunto_de_datos_concentradohogar_enigh_2018_ns.csv") %>%
    select(ing_cor)
# estimaciones
obtener_estimados <- function(datos){
  muestra_enigh <-  datos %>%
    sample_n(120) %>%
    mutate(mas_150mil = ing_cor > 150000)
  k <- sum(muestra_enigh$mas_150mil)
  tibble(k = k, est_mv = k/120, media_post = (a + k) / (120 + b), pob = 0.02769)
}
estimadores_sim <- map(1:200, ~obtener_estimados(datos)) %>%
  bind_rows()
# calculo de errores
error_cm <- estimadores_sim %>%
  summarise(error_mv = sqrt(mean((est_mv - pob)^2)),
         error_post = sqrt(mean((media_post - pob)^2)))
error_cm
```
Podemos ver claramente que las medias posteriores están encogidas hacia valores
más chicos (donde la inicial tiene densidad alta) comparadas con las
estimaciones de máxima verosimilitud:

```{r, , fig.height=2.5}
estimadores_sim_ag <- estimadores_sim %>%
  group_by(k, est_mv, media_post) %>%
  summarise(n = n())
ggplot(estimadores_sim_ag, aes(x = est_mv, media_post, size = n)) +
  geom_point() +
  geom_abline()
```

## Teoría de decisión {-}

En esta parte (que sigue a @Wasserman a grandes rasgos),
discutimos brevemente teoría general que nos sirve para seleccionar
estimadores puntuales, y que esperemos ponga en contexto la parte
anterior que acabamos de discutir. Usaremos algunos conceptos que vimos
en la parte de propiedades de estimadores de máxima verosimilitud.

Definimos una **función de pérdida** $L(\theta, \hat{\theta}_n)$, que
mide el costo de la discrepancia entre nuestro estimador

$$\hat{\theta}_n = t(X_1,\ldots, X_n) = t(X)\,,$$

y el verdadero valor $\theta$ poblacional. Es posible considerar distintas
funciones de pérdida, pero como en secciones anteriores, usaremos la **pérdida
cuadrática**, definida por:

$$L(\theta, \hat{\theta}_n) = (\theta - \hat{\theta}_n)^2\,,$$

Esta función toma distintos valores dependiendo de la muestra y del parámetro
$\theta$, y necesitamos resumirla para dar una evaluación de qué tan bueno
es el estimador $\hat{\theta}_n.$

Ahora que hemos considerado tanto estadística bayesiana como frecuentista,
podemos pensar en resumir esta función de distintas maneras.

Comenzamos pensando de manera frecuentista. En este caso, consideramos a $\theta$ como
un valor fijo, y nos preguntamos qué pasaría con la pérdida con distintas muestras
potenciales que podríamos observar.

Definimos como antes el **riesgo** (frecuentista) como

$$R(\theta, t) = \mathbb{E}_X\left[ (\theta - \hat{\theta}_n)^2 \, \big| \, \theta\right]\,,$$

donde promediamos a lo largo de las muestras posibles, con $\theta$ fijo. Esta
cantidad no nos dice necesariamente cómo escoger un buen estimador para
$\theta$, pues dependiendo de dónde está $\theta$ puede tomar valores distintos.



Ahora vamos a pensar de manera bayesiana: en este caso, los datos serán fijos
una vez que los obervemos de manera que $\hat{\theta}_n$ está fijo, y el parámetro
$\theta$ es una cantidad aleatoria con distribución inicial $p(\theta)$.
Entonces consideraríamos el promedio sobre la posterior dado por:

$$\rho(t, X) = \mathbb{E}_{p(\theta|X)}\left[(\theta - \hat{\theta})^2 \, \big | \, X \right]\,,$$

que llamamos **riesgo posterior**. Esta cantidad se calcula con la posterior de
los parámetros dados los datos, y nos dice, una vez que vimos los datos, cómo es
el error de nuestro estimador. Nótese que esta cantidad no es útil para escoger
un estimador bueno $t$ antes de ver los datos, pero nos sirve para evaluar a un
estimador dados los datos.

En el primer caso, promediamos sobre posibles muestras, y en el segundo por
valores posibles de $\theta$ para una muestra dada.

### Ejemplo: riesgo frecuentista {-}

Para observaciones bernoulli, el estimador de máxima verosimilitud es $\hat{p}_1
= k /n$, donde $n$ es el tamaño de muestra y $k$ el número de éxitos observados.
Podemos usar también como estimador la media posterior de un modelo
Beta-Bernoulli con inicial $a=2, b=2$, que nos daría $\hat{p}_2 = \frac{k + 2}{n
+ 4}$.

Aunque podemos hacer los cálculos analíticos, aproximaremos el riesgo bajo
el error cuadrático usando simulación

```{r}
perdida_cuad <- function(p, p_hat){
 (p - p_hat)^2
}
# dos estimadores
t_1 <- function(n, x)  x / n
t_2 <- function(n, x)  (x + 2) / (n + 4)
estimar_riesgo <- function(n = 20, theta, perdida, reps = 10000){
  x <- rbinom(reps, n, theta)
  # calcular estimaciones
  theta_1 <- t_1(n, x)
  theta_2 <- t_2(n, x)
  # calcular pérdida
  media_perdida <- tibble(
    n = n, theta = theta,
    estimador = c("MLE", "Posterior"),
    riesgo = c(mean(perdida(theta, theta_1)), mean(perdida(theta, theta_2))))
  media_perdida
}
estimar_riesgo(n = 20, theta = 0.1, perdida = perdida_cuad)
```
Como dijimos, esta cantidad depende de $\theta$ que no conocemos. Así que
calculamos para cada valor de $\theta.$

Las funciones de riesgo $R(\theta, t_1)$ y $R(\theta, t_2)$ (dependen de $\theta$)
se ven aproximadamente como sigue:

```{r, fig.height=2.5}
p_seq <- seq(0, 1, 0.001)
riesgo_tbl <- map(p_seq, ~ estimar_riesgo(n = 20,
                                          theta = .x,
                                          perdida = perdida_cuad)) %>%
  bind_rows()
ggplot(riesgo_tbl, aes(x = theta, y = riesgo, colour = estimador)) +
  geom_line()
```

Y vemos que el riesgo depende del verdadero valor del parametro:
en los extremos, el estimador de máxima verosimilitud tiene menos riesgo,
pero en el centro tiene más (esto es independiente del tipo de intervalos
que construyamos y su cobertura).

La razón es que las estimaciones de tipo Agresti-Coull ($\theta_2$)
están contraídas hacia 0.5 (agregamos dos éxitos y dos fracasos). Esto produce
sesgo en la estimación para valores extremos de $\theta$. Sin embargo,
para valores centrales de $\theta$  tiene menos variabilidad
(por regularización) que el estimador de máxima verosimilitud, y sufre poco
de sesgo.

### Ejemplo: riesgo posterior {-}

Supongamos que la inicial es $\theta \sim \mathsf{Beta}(5,3)$

```{r}
estimar_riesgo_post <- function(n = 20, x, perdida, reps = 20000){
  # calcular estimaciones
  theta_1 <- t_1(n, x)
  theta_2 <- t_2(n, x)
  # simular de posterior
  theta_post <- rbeta(reps, x + 5, n - x + 3)
  # calcular pérdida
  media_perdida <- tibble(
    n = n, x = x,
    estimador = c("MLE", "Posterior"),
    riesgo_post= c(mean(perdida(theta_post, theta_1)),
                   mean(perdida(theta_post, theta_2))))
  media_perdida
}
estimar_riesgo_post(n = 20, x = 8, perdida = perdida_cuad)
```
Como dijimos, esta cantidad depende de los datos $x$ que no hemos observado. Así que
calculamos para cada valor de $x$:

Las funciones de pérdida promedio
$\rho(x, t_1)$ y $\rho(x, t_2)$ (dependen de $x$)
se ven aproximadamente como sigue:

```{r, fig.height=2.5}
x_seq <- seq(0, 20, 1)
riesgo_post_tbl <-
  map(x_seq, ~ estimar_riesgo_post(n = 20, x = .x, perdida = perdida_cuad)) %>%
  bind_rows()
ggplot(riesgo_post_tbl, aes(x = x, y = riesgo_post, colour = estimador)) +
  geom_line() +
  geom_point()
```

Donde vemos que la pérdida del estimador bayesiano es mejor para valores extremos
de número de éxitos observado $x$, pero tiene más riesgo posterior
para valores chicos de $x$. En general es mejor el estimador $\theta_2$. El
estimador de máxima verosimilitud tiene más riesgo en los extremos, lo que esperaríamos
porque no tenemos la regularización que aporta la posterior. Igualmente,
vemos más riesgo para valores chicos de $x$ que para valores grandes: esto
es porque la inicial está concentrada en valores reslativamente grandes
de $\theta$.



## Riesgo de Bayes {-}

Finalmente, podemos crear un resumen unificado considerando:

- Si no conocemos el valor del parámetro $\theta$, podemos promediar
el riesgo frecuentista con la inicial $p(\theta)$
- Si no conocemos los datos observados, podemos promediar usando
datos generados por la marginal $p(x)$ de $x$ bajo el modelo de datos
$p(x|\theta)$ y la inicial $p(\theta)$.

Por la ley de la esperanza iterada, estos dos resultados son iguales. La cantidad
resultante

$$r(t) = \int R(\theta,t) p(\theta)\, d\theta = \int r(x, t)p(x|\theta)p(\theta)\, d\theta\, dx$$
Se llama **riesgo de Bayes** para el estimador $t$.

### Ejemplo {-}

Podemos calcular

```{r}
marginal_tbl <- function(n = 20, m = 5000){
  theta <- rbeta(m, 5, 3)
  x <- rbinom(m, size = n, p = theta)
  tibble(x = x) %>% group_by(x) %>%
    summarise(n_x = n())
}
riesgo_post_tbl %>% left_join(marginal_tbl()) %>%
  group_by(estimador) %>%
  summarise(riesgo_bayes = sum(riesgo_post * n_x) / sum(n_x))
```

o también

```{r}
theta_tbl <- tibble(theta = rbeta(50000, 5, 3) %>% round(3)) %>%
  group_by(theta) %>%
    summarise(n_x = n())

riesgo_tbl %>% left_join(theta_tbl) %>%
  mutate(n_x = ifelse(is.na(n_x), 0, n_x)) %>%
  group_by(estimador) %>%
  summarise(riesgo_bayes = sum(riesgo * n_x) / sum(n_x))
```


Ahora consideremos cómo decidiríamos, desde el punto de vista Bayesiano, qué
estimador usar:

1. (Estimador de Bayes) Si tenemos los datos $X$, escogeríamos una función $t_X$
que minimice el riesgo posterior $\rho(t, X)$, y nuestro estimador es
$\hat{\theta}_n = t_X (X).$
2. (Regla de Bayes) Si no tenemos los datos, escogeríamos el estimador una
función $t$  que minimice el riesgo de Bayes $r(t)$, y estimaríamos usando
$\hat{\theta}_n = t(X).$
3. Pero como el riesgo de Bayes es el promedio del riesgo posterior, la solución
de 1 nos da la solución de 2. Es decir, el estimador que escogemos condicional a
los datos $X$ es el mismo que escogeríamos antes de escoger los datos, dada una
distribución inicial $p(\theta).$


Por ejemplo, es posible demostrar que bajo la pérdida cuadrática, la regla de
Bayes es utilizar la media posterior, bajo la pérdida absoluta, la mediana
posterior, etc.

Este estimador de Bayes tiene sentido desde el punto de vista frecuentista,
también, porque **minimiza el riesgo frecuentista promedio**, suponiendo la
inicial $p(\theta)$. Por ejemplo, para la pérdida cuadrática podemos usar la
descomposición de sesgo y varianza y obtenemos:

$$r(t) = \mathbb{E}[R(\theta,t)] = \mathbb{E}[ \mathsf{Sesgo}_\theta^2(t)] +\mathbb{E}[\mathsf{Var}_\theta(t)] \,.$$

Podemos ver entonces que el estimador de Bayes, en este caso la media posterior,
es resultado de minimizar la suma de estas dos cantidades: por eso puede
incurrir en sesgo, si ese costo se subsana con una reducción considerable de la
varianza. Los estimadores insesgados que vimos en esta sección fueron subóptimos
en muchos casos justamente porque son insesgados, e incurren en varianza grande.

```{block, type = 'ejercicio'}
Regresa a los ejemplos anteriores donde evaluamos el desempeño de la media
posterior en varios ejemplos. Muestra en las gráficas dónde ves el balance
entre sesgo y varianza que cumplen cuando los comparamos con estimadores
insesgados.
```

Desde el punto de vista frecuentista, la cuestión es más complicada y
hay varias maneras de proceder. En primer lugar, comenzaríamos con el
riesgo frecuentista $R(\theta, t)$. Una idea es,por ejemplo, calcular el
riesgo máximo:
$$R_{\max} (t) = \underset{\theta}{\max} R(\theta, t)\,.$$

En nuestro ejemplo de arriba el máximo se alcanza en 0.5, y tomaríamos eso
evaluación de los estimadores $\theta_1$ o $\theta_2$.  Buscaríamos entonces
estimadores que minimicen este máximo, es decir, **estimadores minimax**. Pero
también es posible enfocar este problema considerando sólo estimadores
*insesgados*, lo que nos lleva por ejemplo a buscar estimadores con mínima
varianza. También podemos enfocarnos en buscar estimador *admisibles*, que son
aquellos cuyo riesgo no está dominado para toda $\theta$ por otro estimador, y
así sucesivamente.

Finalmente, es posible demostrar [ver @Wasserman] que típicamente, para muestras
grandes, el estimador de máxima verosimilitud  es cercano a ser minimax y además
es una regla de Bayes. Estas son buenas propiedades, pero debemos contar con que
el régimen asintótico se cumpla aproximadamente.